La plupart des outils de lecture IA résument les articles ; Faraday tente de les reproduire. Le nouvel agent d’Inherent est optimisé pour la réplication : identifier les étapes expérimentales clés, concevoir des procédures exécutables et rapporter si les résultats se confirment. L’entreprise affirme que Faraday, fonctionnant sur un modèle Qwen 27B de taille relativement modeste avec des outils externes, a surpassé des systèmes beaucoup plus grands d’OpenAI et Anthropic lors de ses tâches internes de réplication. Même si les chiffres annoncés restent provisoires, ce changement d’objectif est notable. La réplication opérationnalise la rigueur scientifique et est directement liée au débit et à la crédibilité du laboratoire, ce qui en fait un meilleur indicateur d’utilité réelle que l’extraction de citations ou la qualité des revues de littérature.

L’avantage revendiqué semble provenir de la conception de l’agent plutôt que de la taille brute du modèle : apprentissage par renforcement pour cultiver un « goût de la recherche », planification expérimentale délibérée et recours pragmatique aux assistants de codage existants pour l’implémentation. Cette architecture reflète la manière dont les équipes humaines travaillent réellement — le chercheur principal définit l’hypothèse, le postdoctorant élabore le plan, les outils produisent le code et les graphiques. Si la reproductibilité est l’objectif, l’orchestration importe autant que le raisonnement. La question ouverte est la validité externe : ces gains persistent-ils sur des bancs d’essai publics, aveugles, multi-domaines avec des bases solides et des métriques transparentes comme success@k, parité d’accès aux données et temps de réplication ?

Si les agents de réplication mûrissent, leur impact pourrait être immédiat pour les organisations de recherche en biotechnologie, matériaux et apprentissage automatique. Ils peuvent présélectionner les articles à fort investissement avant l’allocation de temps au laboratoire, tester la robustesse des procédures standardisées et documenter les résultats négatifs — souvent précieux mais sous-déclarés. Pour les entreprises, cela repositionne l’IA d’un assistant de lecture à une couche de vérification couvrant R&D, conformité et diligence en propriété intellectuelle. Mais la gouvernance est cruciale : des garde-fous pour la provenance des données, l’exécution du code, les jeux de données sous licence et l’escalade des revendications doivent être codifiés. Sans protocoles transparents et pistes d’audit, la réplication à grande échelle risque d’amplifier les méthodes erronées plutôt que d’améliorer la fiabilité scientifique.